非常奇怪的张量流行为

我有一些非常简单的线条,可以产生非常奇怪的意外行为:

import tensorflow as tf

y = tf.Variable(2, dtype=tf.int32)

a1 = tf.assign(y, y + 1)
a2 = tf.assign(y, y * 2)

with tf.control_dependencies([a1, a2]):
    t = y+0

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    for i in range(4):
        print('t=%d' % sess.run(t))
        print('y=%d' % sess.run(y))

我们所期望的是

t=6
y=6
t=14
y=14
t=30
y=30
t=62
y=62

但第一次,我得到:

t=6
y=6
t=13
y=13
t=26
y=26
t=27
y=27

第二轮,我得到:

t=3
y=3
t=6
y=6
t=14
y=14
t=15
y=15

第三次跑步,我得到:

t=6
y=6
t=14
y=14
t=28
y=28
t=56
y=56

很可笑,多次运行会产生多个不同的输出序列,很奇怪,有人能帮忙吗?

编辑:更改为

import tensorflow as tf
import os
y = tf.Variable(2, dtype=tf.int32)

a1 = tf.assign(y, y + 1)
a2 = tf.assign(y, y * 2)
a3 = tf.group(a1, a2)
with tf.control_dependencies([a3]):
    t = tf.identity(y+0)

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())

    for i in range(4):

        print('t=%d' % sess.run(t))
        print('y=%d' % sess.run(y))

。。。仍然不能正常工作。

奇怪的是,这个代码:

a1 = tf.assign(y, y + 1)
with tf.control_dependencies([a1]):
  a2 = tf.assign(y, y * 2)
  with tf.control_dependencies([a2]):
    t = tf.identity(y)

。。。正常工作,但只需移动 a2 至之前as

a1 = tf.assign(y, y + 1)
a2 = tf.assign(y, y * 2)
with tf.control_dependencies([a1]):
  with tf.control_dependencies([a2]):
    t = tf.identity(y)

。。。事实并非如此。